Тип работы:
 Предмет:
 Язык работы:


ДЕТЕКТИРОВАНИЕ МЕЛКИХ ОЗЕР НА ВАСЮГАНСКИХ БОЛОТАХ С ИСПОЛЬЗОВАНИЕМ ВИЗУАЛЬНЫХ ТРАНСФОРМЕРОВ

Работа №178233

Тип работы

Бакалаврская работа

Предмет

прикладная информатика

Объем работы62
Год сдачи2024
Стоимость4600 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
0
Не подходит работа?

Узнай цену на написание


АННОТАЦИЯ 4
ВВЕДЕНИЕ 3
1 Проблемы и ограничения дистанционного зондирования 8
2 Традиционные методы 10
3 Глубокое обучение 15
3.1 Fully Convolution Network 16
3.2 Encoder-decoder 19
3.3 Vision Transformer 23
4 Общее сравнение 29
5 Архитектура модели 31
6 Результаты 37
ЗАКЛЮЧЕНИЕ 38
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 40
ПРИЛОЖЕНИЕ А Сравнение методов 51
ПРИЛОЖЕНИЕ Б Результаты сегментации

Сегментация изображения — задача поиска групп пикселей, каждая из которых характеризует один смысловой объект. В семантической сегментации каждый пиксель получает метку класса, по сути, решая задачу многоклассовой классификации. Комплексный анализ и сегментирование водных поверхностей, включающий в себя водоемы различных типов и размеров, возможен только со спутниковых изображений, поскольку дистанционное зондирование позволяет охватить большую площадь водных территорий без физического присутствия человека, обеспечивает высокое пространственное разрешение, что позволяет получить детальные и точные данные о поверхности, и обеспечивает самый быстрый и эффективный доступ к данным.
Наиболее распространенными зарубежными семействами спутников являются Sentinel, Landsat и Gaofen, отечественные «Канопус-В», «Ресурс-11» и «Аист-2Д». Все спутники делятся на две категории: оснащенные оптическими сенсорами или радиолокационными (SAR). Оптические спутники захватывают изображения, используя видимый свет и ближнее инфракрасное излучение. В зависимости от съемочной аппаратуры, оптические снимки делятся на панхроматические и мультиспектральные. Панхроматические (PAN) снимки это изображения, полученные с помощью спутников, которые регистрируют информацию только в узком спектральном диапазоне, обычно в области видимого света. Такие снимки обладают высоким разрешением и позволяют получить детальные изображения поверхности. Мультиспектральные (MS) снимки это изображения, полученные с помощью спутников, которые регистрируют информацию в нескольких спектральных диапазонах, таких как видимый свет, инфракрасный и ультрафиолетовый диапазоны. С другой стороны, радиолокационные спутники используют микроволновые сигналы для создания изображений. SAR-спутники излучают микроволновые импульсы на поверхность земли и измеряют отраженные сигналы. Они могут работать при любом уровне освещенности и не подвержены влиянию метеорологических условий, так как микроволны могут проникать сквозь облака[1]. Радиолокационные изображения получаются в оттенках серого и зернистыми. Разница между оптическими и радиолокационными спутниковыми снимками продемонстрирована на рисунке 1.

Рисунок 1 - Разница между оптическими и радиолокационными
спутниковыми снимками

Наиболее важными характеристиками спутников для качественной сегментации водных поверхностей являются число охватываемых спектральных диапазонов и пространственное разрешение. Каждый водный объект имеет свои уникальные спектральные характеристики, и чем больше этих спектральных диапазонов будет захватывать спутник, тем качественнее выйдет сегментация изображения. Пространственное разрешение является размером каждого пикселя на спутниковом изображении, обычно выражаемое в метрах. Чем меньше размер пикселя, тем большее количество мелких деталей содержит в себе спутниковое изображение (Рисунок 2). 


Масштаб 1:20,000 Масштаб 1:20,000
Размер ячейки: 15 м Размер ячейки: 15.24 см
Рисунок 2 - Разница между низким и высоким пространственным
разрешением
В таблице 1 перечислены вышеописанные характеристики использовавшихся спутников в научных исследованиях.
Таблица 1 - Характеристики спутниковой аппаратуры
Спутник Тип аппаратуры Пространственное разрешение, метр Число спектральных диапазонов
Sentinel-1 SAR От 5 до 20 1
Sentinel-2 Оптическая От 10 до 60 13
Landsat-8 Оптическая От 15 до 100 11
Gaofen-2 Оптическая От 0,8 до 3,24 5
Gaofen-3 SAR 1 1
ZY-3 Оптическая От 2,1 до 5,8 5
Канопус-В Оптическая От 2,5 до 12 5
Ресурс-П Оптическая От 1 до 4 6
Аист-2Д Оптическая От 2 до 4 3
В таблице 2 приведены общедоступные наборы данных, использовавшихся при проведении сравнительных исследований в области сегментации водных объектов. В ряде исследований набор данных был собран с помощью Google Earth Engine(GEE) - это облачная платформа для анализа геопространственных данных, включая спутниковые снимки, данные о климате, рельефе, растительности.
Таблица 2 - Характеристики общедоступных наборов данных
Название Число изображений Пространственное разрешение, метр Размер изображения, пиксели Источник данных Число спектров
Sentinel-2
Water Edges Dataset (SWED) 24000 10 256 Sentinel-2 12
Surface Water(SW) 504 30 10980 Landsat
5,7,8 7
Qinghai-
Tibet Plateau
Lake (QTPL) 6774 17 256 Google Earth 3
LoveDA 5987 0.3 1024 Google Earth 3
GID 150 4 7200 х 6800 Gaofen-2 3
2020 Gaofen Challenge (GF) 2500 От 1 до 4 2000 Gaofen-2 3
Five-Billion-
Pixels 150 4 7200 х 6800 Gaofen-1,
Sentinel-2 5
 
В таблице 3 приведены основные преимущества и недостатки оптических и радиолокационных изображений
Таблица 3 - Преимущества и недостатки оптических и радиолокационных
изображений
Оптические Радиолокационные
Преимущества
1) Предоставляют цветовую
информацию
2) Хорошо визуализируются 1) Эффективность в любое
время суток
2) Проникновение через облака и туман
3) Возможность наблюдения и
обнаружения объектов,
невидимых в оптическом или инфракрасном диапазонах
электромагнитного спектра,
скрытых снежным или
растительным покровом
Недостатки
1) Неэффективны при ночном
освещении
2) Затруднение в
проникновении через облака и туман
3) Ограничения при
неблагоприятных погодных
условиях 1) Захватывают только один
спектральный диапазон
2) Изображения получается
зернистыми, но существуют способы улучшить
изображения [2]
3) Требуют более дорогой
аппаратуры


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

Целью выпускной квалификационная работы было предоставить краткое понимание существующих методов, предложенных для семантической сегментации водных объектов, и ознакомить читателей с проблемами, с которыми сталкивались исследователи в прошлом. Были обсуждены проблемы и ограничения, возникающие в задаче сегментирования водных объектов. Затем было дано представление о существующих методах сегментирования водных объектов. Проведено их общее сравнение, выделены преимущества и недостатки. Главным преимуществом традиционных методов является их простота и экономичность. Глубокое обучение требует значительно большего числа ресурсов, но вместе с этим обладает наилучшими результатами. Представлен собственный метод сегментации водных поверхностей. Несмотря на огромные достижения в области сегментации водных поверхностей, все еще остаются проблемы и ограничение, которые необходимо преодолеть:
1) Создание еще больших наборов данных: модели глубокого обучения нуждаются в огромном количестве тренировочных данных. Будущие исследователи должны приложить усилия для разработки больших наборов данных для проведения сравнительных исследований.
2) Универсальность: методы сегментирования водных поверхностей работают с ограниченными типами данных и спектральных характеристик. Будущим исследователям следует преодолеть данный недостаток, чтобы использовать как можно больше полезной информации со всех типов сенсоров. Так же необходимы эффективные модели глубокого обучения, обученные на некоторых наборах данных и способные обобщаться на любые другие, без какой либо предобработки.
3) Модели глубокого обучения извлекают признаки на каждом пикселе с фиксированным полем обзора. С доступностью мультиспектральных и VHR(very high resolution) - изображений необходимо разработать модели глубокого обучения, которые могут извлекать признаки с разными полями обзора, чтобы возможно было извлечение признаков из нескольких пикселей одновременно, благодаря чему повысится точность сегментации.



1. Pradhan B., Sameen M.I., Kalantar B. Optimized rule-based flood
mapping technique using multitemporal RADARSAT-2 Images in the Tropical Region. IEEE Journal of selected topics in applied earth observations and remote sensing, 2017, vol. 10, no. 7, pp. 3190-3199. DOI:
10.1109/JSTARS.2017.2676343.
2. Yasmeen S., Yaseen M.U., Ali S.S., Nasralla M.M., Khattak S.B.A. PAN-DeSpeck: a lightweight pyramid and attention-based network for SAR image despeckling. Computers, materials & continua, 2023, vol. 76, no. 3, pp. 3671¬3689. DOI: 10.32604/cmc.2023.041195.
3. Tumeliene E., Visockiene J.S., Maliene V. The influence of
seasonality on the multi-spectral image segmentation for identification of Abandoned Land. Sustainability, 2021, vol. 13, no. 12, pp. 6941. DOI:
10.3390/su13126941.
4. Singh S., Talwar R. Effects of topographic corrections on MODIS sensor satellite imagery of mountainous region. 2013 International conference on signal processing and communication (ICSC). [S.l.], 2013. pp. 455-460. DOI: 10.1109/ICSPCom.2013.6719833.
5. Feng S., Fan F. Analyzing the effect of the spectral interference of mixed pixels using hyperspectral imagery. IEEE Journal of selected topics in applied earth observations and remote sensing, 2021, vol. 14, pp. 1434-1446. DOI: 10.1109/JSTARS.2020.3045712.
6. Fisher A., Flood N., Danaher T. Comparing Landsat water index methods for automated water classification in eastern Australia. Remote sensing of environment, 2016, vol. 175, pp. 167-182. DOI: 10.1016/j.rse.2015.12.055.
7. Zhou Z., Zheng C., Liu X., Tian Y., Chen X., Chen X., Dong Z. A dynamic effective class balanced approach for remote sensing imagery semantic segmentation of imbalanced data. Remote sensing, 2023, vol. 15, no. 7, pp. 1768. DOI: 10.3390/rs15071768.
8. Katiyar S.K., Arun P.V. Comparative analysis of common edge detection techniques in context of object extraction: arXiv:1405.6132. arXiv. [S.l.], 2014. Available at: https://arxiv.org/abs/1405.6132 (accessed 1 March 2024).
9. Chen F. Comparing methods for segmenting supra-glacial lakes and surface features in the Mount Everest region of the Himalayas using Chinese GaoFen-3 SAR images. Remote sensing, 2021, vol. 13, no. 13, pp. 2429. DOI: 10.3390/rs13132429.
10. Bian Y., Gong Y., Ma G., Duan T. Research on water edge extraction
in Islands from GF-2 remote sensing image based on GA Method. Journal of information processing systems, 2021, vol. 17, no. 5, pp. 947-959. DOI:
10.3745/JIPS.02.0165.
11. Chen F., Zhang M., Tian B., Li Z. Extraction of glacial lake outlines in Tibet Plateau Using Landsat 8 Imagery and Google Earth Engine. IEEE Journal of selected topics in applied earth observations and remote sensing, 2017, vol. 10, no. 9, pp. 4002-4009. DOI: 10.1109/JSTARS.2017.2705718.
12. Xu H. Modification of normalised difference water index (NDWI) to
enhance open water features in remotely sensed imagery. International journal of remote sensing, 2006, vol. 27, no. 14, pp. 3025-3033. DOI:
10.1080/01431160600589179.
13. Dong J., Fu J., Guan Y., Liu H., Wang Q., Hao M. General coastline extraction based on an improved active contour model in Jiaozhou Bay, Qingdao, China, from 1990 to 2018 using Landsat satellite images. International journal of photoenergy, 2021, vol. 2021, pp. e5459210. DOI: 10.1155/2021/5459210.
14. Babaei H., Janalipour M., Tehrani N.A. A simple, robust, and automatic approach to extract water body from Landsat images (case study: Lake Urmia, Iran). Journal of water and climate change, 2019, vol. 12, no. 1, pp. 238¬249. DOI: 10.2166/wcc.2019.078.
15. Fisher A., Flood N., Danaher T. Comparing Landsat water index methods for automated water classification in Eastern Australia. Remote sensing of environment, 2016, vol. 175, pp. 167-182. DOI: 10.1016/j.rse.2015.12.055.
...80

Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ
.